Regression: RASE vs. StandardfehlerWenn ich in der Plattform „Modell anpassen“ eine multivariate „Anpassung der kleinsten Quadrate“ durchführe, kann ich mit der Plattform drei Werte in Spalten speichern:
- Standardfehler der Vorhersage
- Standardfehler des Restwerts
- Standardfehler des Einzelnen
Ich bin daran interessiert zu wissen, wie sich der Modellierungsfehler über die Prädiktorvariablen hinweg ändert, anstatt nur einen flachen RMSE-Wert für das gesamte Modell zu verwenden (z. B. kann es bei niedriger Spannung zu starken Schwankungen kommen).
Diese 3 StdError-Werte sind also für mich interessant, aber ich weiß nicht, wie ich sie interpretieren soll. StdErr Residual/Individual liegen sehr nahe an meiner RMSE-Zahl, aber es gibt nur sehr geringe Abweichungen – die Werte sind in der gesamten Tabelle sehr ähnlich (in meiner Tabelle beträgt RMSE ~32 MHz ... „StdErr of Residual“ variiert von 30,2 bis 32,1 und „StdErr of Individual“ variiert zwischen 32,3 und 34,0)
Allerdings scheint die „Stderr of Predicted“ ziemlich interessant zu sein und der Trend macht für mich Sinn – die Variation ist dort geringer, wo ich mehr Datenpunkte habe (was darauf hindeutet, dass das Modell dort sicherer ist) … die Größenordnung der Zahlen stimmt jedoch nicht. Das ergibt keinen Sinn. Sie variiert zwischen 2,66 und 11 MHz. Ich bin mir nicht sicher, wie man das mit dem Gesamt-RMSE von 32 in Einklang bringen kann.
Kann mir jemand helfen, das zu verstehen?
Danke,
Charles
Betreff: Regression: RASE vs. StandardfehlerIch glaube, ich verstehe es jetzt besser, nachdem ich mich intensiv mit diesem Thema befasst habe. StdError of Individual scheint die Grundlage eines Konfidenzintervalls zu sein, das mit einem t-Multiplikator skaliert wird:
Betreff: Regression: RASE vs. StandardfehlerHallo Charles,
Vielen Dank für die Beantwortung Ihrer eigenen Frage. Ich habe mich damit befasst, musste aber feststellen, dass ich das Thema gelernt habe, um Ihre Frage zu beantworten, da ich über die in der Online-Dokumentation der JMP-Hilfe bereitgestellten Informationen hinaus keinen weiteren Einblick hatte.
Wenn man diese drei Fehlertypen gegeneinander aufträgt, sieht es so aus, als gäbe es formelhafte Beziehungen zwischen allen drei, und diese werden zur Bestimmung der Konfidenzniveaus der Modellanpassungsparameter verwendet.
Was ich an diesen Fehlern nützlich finde, ist zu sehen, ob die Residuen systematische Schwankungen aufweisen. Wenn dies der Fall ist, ist dies ein Indikator dafür, dass Ihr Modell unzureichend angepasst ist und ein wichtiger Effekt fehlt.
Markieren
